Le cours "Cognition Bayésienne" débute le mercredi 12 novembre 2014. Son objectif est de donner une introduction à la modélisation Bayésienne, allant des fondements théoriques aux algorithmes pratiques, et des modèles du système nerveux central aux applications industrielles. Il est ouvert aux doctorants, chercheurs, et plus généralement toute personne intéressée par la modélisation bayésienne et son application en IA et en sciences cognitives.


Ce cours dure 18h, il aura lieu sur 6 séances en 6 semaines consécutives, les mercredis matins de 9h à 12h, dans le bâtiment Phelma du domaine universitaire.

Un examen est adossé au cours, pour les étudiants de M2 "Sciences Cognitives". Pour les doctorants, cet examen n'est pas obligatoire et le cours peut être validé comme "Formation Scientifique".

Ce cours est financé par les écoles doctorales EDISCE et EDMSTII, mais des étudiants d'autres écoles doctorales (EEATS, Physique, par exemple) ont déjà fait valider ce cours comme formation par le passé (renseignez-vous auprès de votre école doctorale pour la validation).

 

Pré-requis :
Pas de prérequis particulier si ce n’est une formation de base en mathématiques et informatique. Le cours est en français, les transparents sont en anglais / français, les documents sont en anglais. Pendant le cours, je peux répondre en anglais à des questions en anglais.

 

Synopsis :
Les systèmes sensorimoteurs, qu'ils soient naturels ou artificiels, doivent affronter la même difficulté centrale : comment survivre lorsqu'on ne sait pas tout ? Comment peuvent-ils utiliser un modèle incomplet et incertain de leur environnement pour percevoir, faire des inférences, décider, apprendre, et agir efficacement ?
En effet, tout modèle d'un phénomène réel est incomplet : il y a toujours des variables cachées, non prises en compte dans le modèle, qui influencent le phénomène. Ces variables cachées ont pour conséquence que le modèle et le phénomène ne se comportent jamais exactement de la même manière. L'incertitude est la conséquence directe et inévitable de l'incomplétude. Aucun modèle ne peut prévoir exactement les observations futures d'un phénomène, car ces observations sont conditionnées par les variables cachées. Aucun modèle ne peut non plus prévoir exactement les conséquences de ses décisions.
La théorie des probabilités, en tant que modèle du raisonnement rationnel, alternative à la logique, est le formalisme mathématique idéal pour faire face à cette difficulté centrale. Dans cette approche, les techniques d'apprentissage sont utilisées dans un premier temps pour transformer l'incomplétude en une représentation quantitative de l'incertitude, par l'utilisation de distributions de probabilités ; ensuite, l'inférence est utilisée pour raisonner et prendre des décisions basée sur l'incertitude. Cette approche, appelée "l'approche subjectiviste des probabilités", permet des raisonnements sous incertitudes aussi complexes et formels que ceux faits avec la logique et des connaissances exactes.
Le but de ce cours est de donner une introduction à cette approche, allant des fondements théoriques aux algorithmes pratiques, et des modèles du systèmes nerveux central aux applications industrielles.

 

Programme résumé :
- Fondations théoriques et justifications : Pourquoi les probabilités sont une alternative à la logique comme modèle du raisonnement rationnel ?
- Formalisme et modèle : Comment construire un modèle bayésien ?
- Algorithme et inférence : Comment sont faits les calculs d’inférence et d’apprentissage ? (Le niveau de description ici est assez généraliste, il ne s'agit pas de décortiquer Baum-Welch, MCMC ou les méthodes variationnelles, par exemple, comme dans un cours d'algorithmie pure.)
- Exemples détaillés de modèles bayésiens développés et utilisés dans les sciences de la vie, la robotique et l'industrie.
- Application du formalisme bayésien à la sélection et comparaison de modèles.

 

Références d'introduction :
- F. Colas, J. Diard, and P. Bessière (2010. Common bayesian models for common cognitive issues. Acta Biotheoretica, 58(2-3):191–216.*
- O. Lebeltel, P. Bessière, J. Diard, and E. Mazer (2004). Bayesian robot programming. Autonomous Robots, 16(1) :49–79.*
- Bessière, P., Laugier, C., and Siegwart, R., editors (2008). Probabilistic Reasoning and Decision Making in Sensory-Motor Systems, volume 46 of Springer Tracts in Advanced Robotics. Springer, Berlin.
- Bessière, P., Mazer, E., Ahuactzin, J. M., and Mekhnacha, K. (2013). Bayesian Programming. CRC Press, Boca Raton, Florida.

* disponibles sur http://diard.wordpress.com

Les slides des années précédentes, ainsi que les annales d'examens, sont disponibles sur : http://diard.wordpress.com/lectures/

 

Planning détaillé :
c1 : Mercredi 12 Novembre, 9h-12h (C-ADM008-Amphi J. Besson, Phelma-Campus)
c2 : Mercredi 19 Novembre, 9h-12h (C-ADM008-Amphi J. Besson, Phelma-Campus)
c3 : Mercredi 26 Novembre, 9h-12h (C-ADM008-Amphi J. Besson, Phelma-Campus)
c4 : Mercredi 3 Décembre, 9h-12h (C-ADM015, Phelma-Campus)
c5 : Mercredi 10 Décembre, 9h-12h (C-ADM015, Phelma-Campus)
c6 : Mercredi 17 Décembre, 9h-12h (C-ADM015, Phelma-Campus)

 

Plan d'accès :

Bâtiment administration de Phelma
351 rue de la Chimie sur le domaine universitaire

 

Inscription et renseignements complémentaires :

Par mail auprès de : Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.